适用于PHP的健壮成熟的HTML解析器

Question

如何解析HTML / XML并从中提取信息？

Answer 1

本机XML扩展

我更喜欢使用本机XML扩展之一，因为它们与PHP捆绑在一起，通常比所有第3方库都快，并为我提供了所需的所有标记控制权。

DOM

DOM扩展使您可以通过带有PHP 5的DOM API通过XML文档进行操作。它是W3C的Document Object Model Core Level
3的实现，它是一种平台和语言无关的界面，允许程序和脚本动态访问和更新。文件的内容，结构和样式。

DOM能够解析和修改现实世界（损坏的）HTML，并且可以执行XPath查询。它基于libxml

使用DOM需要花一些时间，但是IMO值得花时间。由于DOM是与语言无关的接口，因此您会找到许多语言的实现，因此，如果需要更改编程语言，那么您很可能已经知道如何使用该语言的DOMAPI。

XMLReader扩展是XML提取解析器。阅读器充当光标，在文档流上前进并在途中的每个节点处停止。

像DOM一样，XMLReader也基于libxml。我不知道如何触发HTML解析器模块，因此使用XMLReader解析损坏的HTML的机会可能不如使用DOM健壮，在DOM中您可以明确地告诉它使用libxml的HTML解析器模块。

XML解析器

此扩展使您可以创建XML解析器，然后为不同的XML事件定义处理程序。每个XML解析器还具有一些您可以调整的参数。

XML解析器库也基于libxml，并实现了SAX样式的XML推送解析器。与DOM或SimpleXML相比，内存管理可能是更好的选择，但与XMLReader实现的请求解析器相比，使用起来更加困难。

SimpleXml

SimpleXML扩展提供了一个非常简单易用的工具集，可以将XML转换为可以使用常规属性选择器和数组迭代器处理的对象。

当您知道HTML是有效的XHTML时，可以选择SimpleXML。如果您需要解析损坏的HTML，甚至不用考虑SimpleXml，因为它会阻塞。

第三方库（基于libxml）

如果您更喜欢使用第三方库，则建议使用实际上在下面使用DOM的库，而不是字符串解析。

FluentDom-回购

FluentDOM为PHP中的DOMDocument提供了类似jQuery的FluentXML接口。选择器以XPath或CSS编写（使用CSS到XPath转换器）。当前版本扩展了DOM的实现标准接口，并增加了DOMLivingStandard的功能。FluentDOM可以加载JSON，CSV，JsonML，RabbitFish等格式。可以通过Composer安装。

Wa72 \HtmlPageDom是一个PHP库，可使用它轻松处理HTML文档。它需要Symfony2组件中的DomCrawler来遍历DOM树，并通过添加用于处理HTML文档DOM树的方法来扩展它。

phpQuery（多年未更新）

phpQuery是服务器端可链接的CSS3选择器驱动的文档对象模型（DOM）API，它基于用PHP5编写的jQueryJavaScript库，并提供了附加的命令行界面（CLI）。

Zend_Dom

Zend_Dom提供了用于处理DOM文档和结构的工具。当前，我们提供Zend_Dom_Query，它提供了一个统一的接口，用于同时使用XPath和CSS选择器查询DOM文档。

查询路径

QueryPath是一个用于处理XML和HTML的PHP​​库。它不仅可以与本地文件一起使用，还可以与Web服务和数据库资源一起使用。它实现了许多jQuery接口（包括CSS样式的选择器），但为服务器端使用做了很大的调整。可以通过Composer安装。

fDOMDocument扩展了标准DOM，以在所有错误情况下都使用异常，而不是PHP警告或通知。他们还添加了各种自定义方法和快捷方式，以方便使用并简化DOM的使用。

sabre/ XML

sabre / xml是一个包装和扩展XMLReader和XMLWriter类的库，以创建简单的“从XML到对象/数组”的映射系统和设计模式。写入和读取XML是单次通过的，因此可以快速进行，并且在大型xml文件上需要较少的内存。

FluidXML

FluidXML是一个PHP库，用于使用简洁流畅的API来处理XML。它利用XPath和流畅的编程模式来使游戏变得有趣而有效。

第三方（不是基于libxml的）

建立在DOM / libxml上的好处是，由于您基于本机扩展，因此可以立即获得良好的性能。但是，并非所有第3方库都遵循这条路线。下面列出其中一些

PHP简单HTMLDOM解析器

• 用PHP5 +编写的HTML DOM解析器使您可以非常简单地操作HTML！
• 需要PHP 5+。
• 支持无效的HTML。
• 使用jQuery之类的选择器在HTML页面上查找标签。
• 从HTML中提取内容。
  
  

我通常不建议使用此解析器。代码库太可怕了，解析器本身也很慢并且占用大量内存。并非所有的jQuery选择器（例如子选择器都是可行的。任何基于libxml的库都应轻而易举地胜过它。

PHP HTML解析器

PHPHtmlParser是一个简单，灵活的html解析器，它使您可以使用任何CSS选择器（如jQuery）来选择标签。目标是协助开发工具，这些工具需要快速，简便的方式来废弃html，无论它是否有效！该项目最初由sunra
/ php-simple-html-dom-parser支持，但该支持似乎已停止，因此该项目是我对他先前工作的改编。

同样，我不建议使用此解析器。CPU使用率很高时，速度相当慢。也没有清除创建的DOM对象的内存的功能。这些问题在嵌套循环中尤为严重。文档本身不准确且拼写错误，自16年4月14日以来未对修复程序做出任何回应。

加农

• 通用标记器和HTML / XML / RSS DOM解析器
  • 能够操纵元素及其属性
  • 支持无效的HTML和UTF8
• 可以对元素执行类似CSS3的高级查询（例如jQuery-支持名称空间）
• HTML美化工具（例如HTML Tidy）
  • 缩小CSS和Javascript
  • 排序属性，更改字符大小写，正确缩进等
• 可扩展的
  • 使用基于当前字符/令牌的回调解析文档
  • 将操作分成较小的功能，以便于覆盖
• 快速简便
  

没用过。无法判断是否有好处。

HTML 5

您可以使用以上内容来解析HTML5，但是由于HTML5允许的标记，因此可能会有一些怪癖。因此，对于HTML5，您需要考虑使用专用的解析器，例如

html5lib

基于WHATWG HTML5规范的HTML解析器的Python和PHP实现，以实现与主要桌面Web浏览器的最大兼容性。

网页服务

如果您不想编程PHP，也可以使用Web服务。通常，我发现这些工具的实用性很少，但这只是我和我的用例。

ScraperWiki。

ScraperWiki的外部界面允许您以想要在Web或您自己的应用程序中使用的形式提取数据。您还可以提取有关任何刮板状态的信息。

常用表达

最后也是 最不推荐的做法是
，您可以使用正则表达式从HTML提取数据。通常，不建议在HTML上使用正则表达式。

您可以在网上找到与标记匹配的大多数代码片段都很脆弱。在大多数情况下，它们仅适用于非常特殊的HTML。微小的标记更改（例如在某处添加空格，在标签中添加或更改标签中的属性）会使RegEx在编写不正确时失败。在HTML上使用RegEx之前，您应该知道自己在做什么。

HTML解析器已经知道HTML的语法规则。必须为您编写的每个新RegEx教授正则表达式。RegEx在某些情况下还可以，但实际上取决于您的用例。